H

oy en día, los líderes empresariales enfrentan una intensa presión para transformar sus organizaciones con IA, y el resultado suele ser demasiados proyectos piloto con muy poca supervisión coordinada. Sin una forma sistemática de decidir por dónde empezar, a qué ritmo avanzar y cuándo detenerse, los esfuerzos en materia de IA se convierten rápidamente en una carga para la atención y los recursos, en lugar de una fuente de ventaja competitiva.

Las organizaciones necesitan seguir un enfoque disciplinado de portafolio, paso a paso, que trate la innovación en IA como una cadena estructurada de proyectos gestionada mediante la aplicación de principios coherentes y repetibles. Recomendamos hacer avanzar las ideas a través de cuatro etapas distintas dentro de un portafolio de innovación, cada una con su propio enfoque mental y con artefactos específicos de evaluación:

— Etapa 1: El portafolio de oportunidades (esquema).

Sirve como un punto centralizado para recibir y evaluar las ideas iniciales. Las actividades incluyen la definición del problema, las hipótesis iniciales sobre el valor y el riesgo, y el mapeo de dependencias. El resultado es una lista de ideas esbozadas, puntuadas y clasificadas.

— Etapa 2: El portafolio de diseño y alianzas (socio).

Los proyectos ya delineados entran ahora en una fase de desarrollo más detallado, en la que los equipos de innovación elaboran casos de negocio extensos que articulan los beneficios esperados, las inversiones requeridas y las métricas de éxito con un nivel de detalle mucho mayor. También mapean dependencias y desarrollan planes de capacidades que identifican qué habilidades técnicas, activos de datos e infraestructura serán necesarios. Posteriormente, los equipos establecen modelos preliminares de gobernanza que definen los derechos de decisión, la supervisión de riesgos y los requisitos de cumplimiento. Las consideraciones sobre alianzas son críticas en esta etapa. Incluso las organizaciones con sólidas capacidades internas suelen necesitar colaboraciones externas (con proveedores de tecnología, investigadores académicos, asesores en ética o colegas del sector) para materializar sus ambiciones en IA. También es esencial preguntarse qué tipo de relación se establecerá entre las personas y los sistemas de IA a medida que el proyecto avance, ya que esto influirá en los niveles de personal, los patrones de trabajo, las estructuras de reporte y los roles individuales.

— Etapa 3: El portafolio experimental / de prototipado (experimento).

La clave para experimentar con IA de manera exitosa es estructurar los experimentos como procesos de aprendizaje, y no simplemente como ejercicios de validación. Cada experimento debería evaluar no solo la viabilidad técnica, sino también la viabilidad empresarial y la deseabilidad humana. Pregúntese: ¿Puede la IA realmente realizar la función prevista? ¿Podemos integrarla con los sistemas y procesos existentes a un costo razonable? ¿Los usuarios la adoptarán y encontrarán valor en ella? Las pruebas rápidas y acotadas permiten este aprendizaje multidimensional. Los equipos pueden desarrollar modelos en papel para probar enfoques conceptuales, construir productos mínimos viables para validar la funcionalidad central o implementar proyectos piloto limitados para recopilar datos de rendimiento real. Múltiples experimentos paralelos pueden explorar diferentes enfoques técnicos o estrategias de implementación.

— Etapa 4: El portafolio de escalamiento y operación (navegación).

La implementación en producción marca un cambio fundamental de enfoque y, por lo general, implica un aumento considerable tanto en costos como en tiempo de desarrollo. Para entrar en producción, un sistema de IA normalmente requiere escalar para múltiples usuarios, capacitar a los empleados en nuevas habilidades, rediseñar los procesos para aprovechar las nuevas capacidades e integrarse con el entorno tecnológico existente. Los equipos establecen salvaguardas para prevenir el uso indebido del sistema, implementan mecanismos de seguimiento de costos para comprender el costo total de propiedad y miden el impacto real en la misión o en el negocio, en lugar de asumir que los beneficios se materializarán por sí solos.

Las revisiones periódicas de todo el portafolio son esenciales para mantener la alineación estratégica a medida que evolucionan tanto las capacidades tecnológicas como las necesidades organizacionales. El portafolio debe mantenerse equilibrado en términos de horizontes de tiempo y niveles de riesgo/retorno, con el fin de crear un flujo continuo de innovación que permita a las organizaciones mantenerse en la frontera de un campo que evoluciona con rapidez.

P

ara tomar decisiones sobre la importancia relativa y el valor de la IA generativa y la IA analítica, las organizaciones primero deben comprender las diferencias entre ambas tecnologías, así como los distintos beneficios y riesgos asociados con cada una de ellas.

¿En qué se diferencian la IA generativa y la IA analítica?

Distintos propósitos y capacidades.

El propósito principal de la IA generativa es utilizar modelos de redes neuronales de aprendizaje profundo para generar contenido nuevo, como imágenes, texto, música, código de programación o incluso obras de arte completas, que imiten la creación humana. La IA analítica, por otro lado, se refiere a los sistemas de inteligencia artificial basados en el aprendizaje automático estadístico, diseñados para tareas específicas como clasificación, predicción o toma de decisiones basadas en datos estructurados.

Distintos métodos algorítmicos.

En términos de métodos algorítmicos, la IA generativa suele emplear técnicas complejas como transformadores, mecanismos de atención, redes generativas antagónicas y codificadores automáticos variacionales para generar contenido. La IA analítica utiliza una variedad de enfoques de aprendizaje automático generalmente más simples, incluidos el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo, así como diversas arquitecturas de redes neuronales adaptadas a tareas específicas.

Distintos tipos de datos.

La IA generativa utiliza texto, imágenes y otros formatos de datos relativamente no estructurados, todos en una secuencia que puede usarse para predecir otras secuencias. La IA analítica emplea datos estructurados, normalmente filas y columnas de números.

Distintos retornos de inversión.

En términos generales, la IA generativa tiene más probabilidades de generar ahorros de costos gracias al aumento de la productividad en la generación de contenido, mientras que la IA analítica puede generar mejores decisiones, ahorros de costos e incrementos en las ventas.

Distintos riesgos.

Las preocupaciones de seguridad en torno a la IA generativa y la IA analítica pueden diferir en función de sus respectivas aplicaciones, capacidades y riesgos potenciales.

Cómo pueden las empresas encontrar el equilibrio adecuado entre la IA generativa y la IA analítica

Las empresas deberán determinar cómo asignar la atención de la dirección, las inversiones y el talento a estos dos ámbitos distintos de la inteligencia artificial. Una consideración principal es cuán familiarizados están los actores clave con los dos tipos de IA. En general, la IA generativa es la que abre puertas. Genera entusiasmo sobre la IA en ejecutivos y profesionales no técnicos, y ofrece pocas barreras de uso. La IA analítica requiere una mayor orientación estadística para utilizarse de manera eficaz, por lo que su audiencia principal son los científicos de datos o personas con perfil cuantitativo. Es probable que esa base de usuarios siempre sea más pequeña que la de la IA generativa, aunque las interfaces de IA generativa pueden facilitar que las personas no técnicas realicen formas simples de modelos analíticos. Sin embargo, los ejecutivos de empresas con grandes volúmenes de datos estructurados, como los servicios financieros, el comercio minorista y las empresas de telecomunicaciones, probablemente estén familiarizados con la IA analítica.

Los factores que describimos a continuación pueden servir como guía para determinar el énfasis relativo en la IA generativa o analítica dentro de una empresa o industria.

Considere su estrategia y modelo de negocio.

¿La actividad principal de la empresa implica crear, vender o distribuir contenido? Si es así, la IA generativa debería ser su enfoque principal.

Considere el formato de los activos de datos exclusivos y patentados.

Si los activos de datos de la empresa son principalmente contenido no estructurado (como texto, imágenes o video), la IA generativa debería tener prioridad. Si, por otro lado, la mayoría de los datos de la empresa son estructurados y numéricos, debería inclinarse hacia la IA analítica.

H

ace diez años publicamos el artículo “Data Scientist: The Sexiest Job of the 21st Century”. La mayoría de los lectores ocasionales probablemente solo recuerden el modificador “más sexy”, un comentario sobre la demanda de la posición en el mercado.

Hoy en día, el trabajo tiene más demanda que nunca. El U.S. Bureau of Labor Statistics predice que la ciencia de datos experimentará más crecimiento que casi cualquier otro campo entre ahora y 2029.

Sin embargo, el trabajo ha cambiado durante la última década, en formas grandes y pequeñas:

Mejor institucionalizados

En 2012, la ciencia de datos era una función incipiente. Hoy en día está bien establecido, al menos en firmas con una gran apuesta por los datos y la inteligencia artificial. Los bancos, las compañías de seguros, los minoristas, los proveedores de atención médica y las agencias gubernamentales tienen importantes grupos de ciencia de datos. La ciencia de datos también ha sido eficaz para abordar crisis sociales, contar y predecir casos y muertes por COVID-19, abordar desastres meteorológicos e incluso combatir la desinformación y los ataques cibernéticos relacionados con la invasión de Ucrania.

Los científicos de datos en relación con otros roles

La suposición en 2012 era que los científicos de datos podrían realizar todas las tareas requeridas en una aplicación de ciencia de datos: conceptualizar el caso de uso, interactuar con las partes interesadas del negocio y la tecnología, desarrollar el algoritmo e implementarlo en producción. Ahora, sin embargo, ha habido una proliferación de trabajos relacionados con el manejo de muchas de esas tareas, incluido el ingeniero de aprendizaje automático, el ingeniero de datos, el especialista en inteligencia artificial, los traductores de análisis e inteligencia artificial y los gerentes de productos orientados a datos. LinkedIn informó que algunos de estos trabajos son más populares que los científicos de datos, de acuerdo con sus informes “Jobs on the Rise” del 2021 y 2022, para los Estados Unidos.

Cambios en la tecnología

Algunos aspectos de la ciencia de datos están cada vez más automatizados, lo que puede mejorar la productividad de los profesionales de la ciencia de datos y abrir la posibilidad de “científicos de datos ciudadanos” con solo alguna capacitación cuantitativa.

También hay un nuevo énfasis en monitorear la precisión de los modelos después del despliegue. Las herramientas de operaciones de aprendizaje automático (o “MLOps”) brindan un monitoreo continuo de los modelos; el reentrenamiento automatizado de modelos desviados apenas comienza a emplearse. Algunas herramientas de AutoML y MLOps incluso hacen pruebas de sesgo algorítmico.

Estos desarrollos significan que la codificación, que quizás era el requisito laboral más común hace una década, es menos esencial en la ciencia de datos.

La ética de la ciencia de datos

La necesidad de una dimensión ética en el campo es ahora ampliamente reconocida, aunque el tema rara vez se mencionó en 2012. Se ha prestado una atención considerable a las cuestiones del sesgo algorítmico, la transparencia y el uso responsable de la analítica y la IA.

Parece poco probable que disminuya la cantidad de datos, análisis e inteligencia artificial en los negocios y la sociedad, por lo que el trabajo del científico de datos seguirá creciendo en importancia. También seguirá cambiando.

Esperamos ver una diferenciación continua de responsabilidades y roles que alguna vez cayeron en la categoría de científico de datos. Las empresas necesitarán procesos detallados de clasificación y certificación de habilidades para estos diversos trabajos, y deben asegurarse de que todos los roles necesarios estén presentes en proyectos de ciencia de datos a gran escala. Los científicos de datos profesionales se centrarán en la innovación algorítmica, pero también deberán ser responsables de garantizar que los aficionados no se desborden. Lo más importante es que los científicos de datos deben contribuir a la recopilación adecuada de datos, el análisis responsable, los modelos completamente implementados y los resultados comerciales exitosos.

L

os roles tecnológicos a nivel ejecutivo han proliferado en las últimas décadas. Los directores de información (CIO, por sus siglas en inglés) aparecieron por primera vez a principios de la década de 1980. Luego, los directores de tecnología (CTO, por sus siglas en inglés) se volvieron comunes en las empresas de alta tecnología y, posteriormente, se extendieron a otros tipos de negocios. A estos roles les siguieron los directores de seguridad de la información (CISO, por sus siglas en inglés), directores de datos (CDO, por sus siglas en inglés), directores de análisis (CAO, por sus siglas en inglés) y directores digitales (CDO, por sus siglas en inglés). Más recientemente, han aparecido los directores de inteligencia artificial (CAIO, por sus siglas en inglés), cuyo número ha aumentado considerablemente con el auge de la IA generativa en los últimos años.

Si bien la creación de estos roles refleja la creciente importancia de la tecnología en los negocios, una variedad tan vertiginosa de líderes tecnológicos también puede generar confusión.

Un estudio reciente, patrocinado por Thoughtworks y el MIT Chief Data Officer/Information Quality Symposium, sugiere que este es un problema serio. En una encuesta realizada a 266 líderes tecnológicos y de datos, más de 4 de cada 5 informaron que en sus organizaciones hay confusión respecto a las funciones de los distintos grupos tecnológicos, a dónde dirigirse para obtener servicios, y cuestiones relacionadas con los datos y la tecnología. Sólo el 12% afirmó no tener ninguna confusión.

A medida que más organizaciones buscan integrar los datos y la IA en sus operaciones, esta confusión puede estar teniendo un impacto negativo. Las personas en roles de liderazgo a menudo no tienen claridad sobre sus propias responsabilidades en relación con otros líderes tecnológicos: el 30% de los líderes encuestados dijeron que carecen de claridad sobre cómo su rol se relaciona con otros puestos de liderazgo en tecnología y datos.

Por supuesto, existen muchos desafíos que dificultan el éxito de los objetivos relacionados con los datos: la preparación del personal, la política organizacional, la difusión de responsabilidades (estrechamente relacionada con las estructuras organizativas superpuestas en algunas empresas), los presupuestos o restricciones financieras, la preparación tecnológica y el tiempo (o simplemente la paciencia limitada). Para hacer frente a todos estos desafíos será necesario un liderazgo claro y decidido, y un amplio mandato de cambio.

Sin embargo, en este estudio descubrimos que algunas organizaciones están reconociendo las desventajas de la proliferación de roles a nivel ejecutivo. Para abordar este problema, han comenzado a consolidar los puestos de liderazgo en tecnología y datos. (Nos referimos a ellos como líderes «SuperTech», aunque es importante señalar que existen variaciones en los títulos y funciones específicas según la organización).

Estos individuos son conocidos principalmente como directores de información (CIO), pero suelen tener una amplia responsabilidad sobre las funciones de datos y tecnología. Establecer roles de liderazgo SuperTech aportará claridad y responsabilidad a las iniciativas de transformación digital de las organizaciones.

El auge del líder SuperTech

¿Qué habilidades debe tener un líder tecnológico consolidado? Los participantes de la encuesta identificaron el liderazgo general y las relaciones con los altos ejecutivos (85%) y la estrategia y visión empresarial (82%) como los aspectos más importantes. La estrategia y visión tecnológica (72%) fue considerada algo menos prioritaria. En cambio, las habilidades relacionadas con la gestión de empleados dentro de la función tecnológica combinada (38%) y la ejecución tecnológica (35%) se consideraron sustancialmente menos importantes. En otras palabras, los líderes SuperTech deben estar muy orientados a los negocios, con una base técnica.

Por ejemplo, Shamin Mohammad, director de información y tecnología en CarMax, nos dijo: “Para ser eficaz como líder tecnológico, debo ser un líder empresarial. Trabajo codo a codo con el director de marketing y el director de operaciones (estamos totalmente alineados), y luego con el director financiero, el director ejecutivo y la junta directiva. La ejecución es un requisito básico. Debe cumplirse (ni siquiera es un tema de debate). Es más importante que un líder tecnológico sea un líder empresarial, que comprenda lo que está ocurriendo en la industria y que pueda anticipar hacia dónde se dirige para poder habilitarla con tecnología y lograr que el resto de la organización se sume». Temas como “mantener las operaciones funcionando”, renovar la infraestructura técnica o hacer frente a las amenazas de ciberseguridad son importantes, pero no su enfoque principal; sus subordinados directos se encargarán de estos aspectos.

Sean McCormack, un líder SuperTech en la empresa de transporte escolar First Student, señaló: “Si usted no es un ejecutivo de TI orientado al valor y la innovación, no funcionará para supervisar la innovación tecnológica, el análisis y la IA. Si todo lo que ha hecho es implementar paquetes tecnológicos, no tendrá éxito en un rol más amplio”.

Sebastian Klapdor, hasta hace poco jefe de tecnología, datos y análisis en la empresa de servicios de marketing Vista, comentó que una fuerte orientación al valor empresarial es clave para que se le asignen múltiples funciones relacionadas con tecnología y datos. Cuando dirigía el área de datos y análisis de la empresa, se centró en gran medida en lograr un valor medible a través de productos de datos exitosos. En una entrevista, mencionó que cree que este fue un factor clave en su posterior nombramiento como director de tecnología.

Disidentes de este modelo

No todos los ejecutivos de tecnología y datos creen que una organización integrada con un líder SuperTech sea una buena idea. En entrevistas, escuchamos algunas objeciones basadas en características individuales de los líderes, así como argumentos de tipo más estructural.

Varios líderes de datos nos dijeron que no estarían interesados en reportar a un director de información cuyo enfoque principal sea la infraestructura y el mantenimiento de operaciones, en lugar de impulsar un cambio empresarial significativo. Otros líderes expresaron preocupaciones diferentes respecto a un rol integrado. Scott Hallworth, director de datos y análisis en Hewlett-Packard, fue codirector interino de información en HP durante gran parte de 2023. Su preocupación con un rol completamente integrado (particularmente la combinación de director digital y director de información) es que fusionar estas funciones eliminaría el control sobre las decisiones importantes dentro de la empresa.

Por supuesto, las fortalezas y debilidades de las estructuras organizativas dependen de cada empresa y de las personas que ocupan estos roles. Es posible que una estructura particular y un líder en tecnología y datos funcionen mejor o peor según las circunstancias organizacionales y los individuos involucrados.

Acciones para el futuro

La acción más evidente que las organizaciones pueden tomar para abordar estos problemas es crear un rol integrado de liderazgo en tecnología y datos con un ejecutivo efectivo y orientado al negocio. A juzgar por nuestras entrevistas, muchas organizaciones ya han dado este paso y parecen haber tenido éxito.

Si por alguna razón esto no es posible, existen otras formas de abordar los problemas señalados en este estudio. Una opción es crear una mayor claridad en los roles de los líderes tecnológicos y de datos a nivel ejecutivo, y comunicar estas diferencias de manera efectiva a los clientes internos. Otra estrategia es fomentar una mayor colaboración entre estos líderes, lo que puede conducir a proyectos conjuntos y mayores niveles de éxito en su ejecución.

Hoy en día, las organizaciones utilizan una gran variedad de tecnologías y aplicaciones, tanto conocidas como emergentes. Hay momentos en los que se necesitan especialistas en determinadas tecnologías o en su gestión. Sin embargo, creemos que la tendencia hacia la tecnología especializada y los líderes en datos ha ido demasiado lejos. Se necesita una mayor coordinación e integración, y los líderes SuperTech con una fuerte conexión con el negocio pueden ayudar a que la tecnología de la información sea un recurso empresarial más eficaz.